仔细观察你团队中最优秀的人工作一段时间，你会发现一些规律。他们有自己的工作模式。
一位出色的销售人员，在准备重要通话时，对什么才是关键有着清晰的判断。他们会回顾上一次的对话，识别出真正的决策者，挖掘出未被言明的反对意见，并追踪某人三周前做出的、却从未出现在记录中的承诺。
一位强大的支持主管，看待客户升级问题的方式与其他人截然不同。在工单本身之外，他们还能捕捉到语气、历史记录、账户价值、产品痛点，以及那些暗示一个小问题即将演变成大麻烦的微妙信号。
一位财务负责人，能看到纸面数字之外的东西。他们理解哪些变动至关重要，哪些只是噪音，以及哪些需要在董事会会议前准备好一个解释。
这些是大多数公司每天都依赖的工作，但往往难以被捕捉、组织和学习。
人们称之为经验、判断力、品味或机构知识，但在实践中，这些特质可能会演变成一种精巧的方式，用来证明那些强化现有假设和偏好的决策是合理的。
AI 公司开始称之为技能。
我将在本周五太平洋时间上午 10 点现场讲解这些内容。如果你想了解实用版本，请注册参加 Skills 101。
什么是技能。它适用于何处。如何停止向 Claude 和 ChatGPT 反复解释同样的工作。免费注册 Skills 101。
工作本身已有方法
每家公司做事的方式，都比它们自己意识到的要具体得多。
销售团队为续约做准备的方式。
产品团队将客户反馈转化为优先事项的方式。市场团队判断一场营销活动是否真正有效的方式。支持团队决定何时升级问题的方式。工程团队审查风险变更的流程。财务团队理解业务中发生了什么变化的方式。
其中一些被记录在案。但大部分散落在文档、Slack 线程、模板、旧演示文稿、入职培训电话，以及那些在公司待得够久、更懂行的老员工的脑子里。
这些知识通常被视为背景信息，但它们即将成为基础设施。
只有当 Agent 理解任务本身之外的东西时，它们才真正有用。它们需要理解任务背后的方法。
访问权限只是第一步
使用 AI 时，人们往往从获取数据访问权限开始。
将 Agent 连接到 CRM。设置 Slack 集成。提供 Google Drive 的访问权限。启用与 GitHub 的连接。建立与数据仓库的连接。
这些都很重要。没有访问权限的 Agent 基本是在猜测。
但仅有访问权限并不能创造高质量的工作。一个 Agent 可以阅读所有的销售记录，但仍然可能错过交易的整体格局。
它可以搜索所有的支持工单，但仍然无法识别出需要立即关注的客户。一个模型可以打开所有的产品文档，但仍然可能生成一份听起来不错、却忽略了实际决策的 PRD。
挑战在于帮助 Agent 理解你的公司是如何处理工作的，而不是仅仅扩大 Agent 的信息访问范围。
这就是技能发挥作用的地方。
技能是一种可复用的工作方式
技能不仅仅是一个提示词。
提示词告诉 Agent 在特定时刻做什么，而技能则捕捉了一种可重复的工作方式。
这使得 Agent 在遇到同类任务时，能够应用相同的方法。
它可以包含指令、示例、模板、检查清单、脚本、参考和经验法则。其技术形态可以各不相同。Anthropic 的版本使用一个简单的文件夹，内含一个 SKILL.md 文件和可选的辅助文件。其他系统会使用它们自己的格式。
技能将流程打包。
它捕捉了某人遵循的步骤以及他们运用的判断力。它还记录了他们会注意的边缘情况以及他们期望的质量标准。
销售电话准备技能可能涵盖如何阅读客户历史、需要揭示哪些风险、如何构建开放式问题，以及一份有用的简报应该是什么样子。
对于事故复盘，一项技能可能涵盖如何重建时间线。它还可以教会人们区分原因和症状，不带指责地撰写报告，并将经验教训转化为行动。
在制作董事会演示文稿时，一项技能可能涵盖哪些指标是重要的。它可以展示如何解释数据变动，哪些内容属于附录，以及故事通常在哪个环节出现问题。
技能就是被封装成可复用的方法。
数据、连接器、技能，以及向插件的演进
AI 系统面临的第一个挑战是访问权限。
模型需要一种方式来访问实际工作发生的信息和系统。这催生了连接器、MCP、API 和数据集成，它们能够将文档、数据库、应用程序和业务记录暴露给 AI。
这是必要的一步。但仅有访问权限并不能创造有用的行为。
连接器可以接入 Salesforce，但它无法教会 Agent 你的团队如何进行预测评审。
Google Drive 也可以连接，但这本身并不能告诉 Agent，哪个旧的董事会演示文稿值得复制，哪个应该被忽略。
API 可以返回支持工单，但它无法解释你最有效的支持经理是如何判断哪些问题真正紧急的。
这就是技能发挥作用的地方。
数据和连接器提供上下文。
技能提供判断力、流程和可重复的工作方式。
插件实际上是两者的结合。它们将系统访问权限与执行操作和运行工作流的能力捆绑在一起。
从这个意义上说，插件是演进的一部分。
首先是数据和连接器。
然后是技能。
下一代将两者结合起来，形成能够访问信息、理解工作方式并采取行动的智能系统。
这就是我周五将在直播中深入探讨的部分。访问权限让 Agent 进入工作。技能则教会它们工作是如何完成的。
我将展示技术栈、工作流程以及从哪里开始。
这种模式比 AI 更古老
这在计算领域反复出现。
Unix 命令使有用的操作变得可复用。
Shell 脚本使序列变得可复用。
代码库使代码变得可复用。
API 使服务变得可复用。
工作流使业务流程变得可复用。
技能使判断力变得可复用。
这才是值得关注的部分。
AI 并没有发明封装专业知识的愿望。软件一直朝着这个方向发展。
改变的是执行者。
几十年来，人类必须阅读操作手册并加以应用。现在，Agent 可以加载操作手册、使用工具、检查文件、运行脚本并持续执行。
操作手册可以变得主动起来。
这改变了记录工作完成方式的价值。
技能库将成为核心资产
想象两家公司使用相同的前沿模型。
一家公司将模型连接到其系统。
另一家公司不仅将模型连接到其系统，还为其提供了一个基于公司最佳工作成果构建的技能库。
第二家公司拥有不同的资产。
它的 Agent 知道公司如何准备销售电话、审查合同、撰写产品发布简报、调查 Bug、处理升级问题、总结研究成果以及解释财务表现。
不是完美或神奇地做到。
而是足够一致，足以产生影响。
每项技能都成为运营杠杆的一小部分。
一个好的技能可以防止同一个错误被纠正两次。
一个更好的技能可以提升所有使用它的人的水平基线。
一个伟大的技能则捕捉了曾经需要多年才能建立的判断力。
这就是为什么技能库可以充当公司实际可用的操作手册。
最好的技能将是私有的
会有公开的技能市场。
有些会有用。但大多数会是通用的。
最有价值的技能将存在于公司内部，因为最有价值的方法都是特定的。
你的客户升级流程、销售资格评估视角和产品评审标准。
你用于董事会更新的格式、你依赖的法律备用立场，以及定义你品牌的声音。
甚至是你决定什么重要、什么不重要的方式。
这些是竞争对手无法下载的知识。
一个通用的 Agent 可能具备销售、支持、财务、产品和工程方面的广泛知识。
但要让它在你的公司内部变得有用，它需要学习你的团队多年来积累的特定流程、决策和经验教训。
从工作本身开始
这就是为什么每家公司的第一个 AI 战略应该是一个技能库。
在选择平台之前，先梳理重复性的工作。
找到那些经验丰富的人总能胜过其他人的工作流程。
寻找那些涉及判断力、而不仅仅是努力的任务。
销售电话、客户研究、支持升级、PRD、事故复盘、合同、预测、产品发布、竞争分析、发布说明。这些都不是工作的全部，但它们是围绕工作的方方面面。
然后问问团队里最优秀的人做法有何不同，以及其他人通常会忽略什么。
他们首先关注的是什么？
什么容易被忽视？
哪些例子塑造了他们的方法？
哪些问题会反复出现？
他们试图避免哪些错误？
他们如何定义成功？
这就是原始素材。将其转化为技能，投入使用，不断改进，并让技能的拥有者贴近实际工作。
一个公司需要一些技能，让重要的工作更加一致。
技能库可以在此基础上发展壮大。
真正的 AI 战略
当公司不再将 AI 视为散布在业务各处的通用智能层，而是将其深度嵌入到能够驱动实际成果的工作流程中时，它们将从 Agent 中获得最大收益。
做一些更实际的事情。
教会 Agent 业务实际是如何运作的。
将重复性的判断转化为可复用的系统。
让顶尖执行者的方法更容易应用、更容易改进、也更难丢失。
这就是转变。
一家公司的 AI 优势将来自于它教会模型做好的工作，而不是来自于它选择的模型。
每家公司都有其运作方式。
其中大部分是隐形的。
技能使其可见。
技能库使其可复用。
你的公司已经拥有了技能。
它们存在于旧的文档、Slack 线程、客户通话、评审惯例、入职笔记，以及那些真正了解工作如何完成的人的头脑中。
周五太平洋时间上午 10 点，我将现场讲解 Skills 101。
我将展示如何停止向 Claude 和 ChatGPT 反复解释同样的工作，并开始打包指令，让 AI 能够以你的方式再次完成工作。
